[发明专利]一种融合位置预测与相关滤波的目标跟踪方法

说明书

本发明公开了一种融合位置预测与相关滤波的目标跟踪方法，属于计算机视觉技术领域，本发明在相关滤波器进行跟踪的基础上，引入了卡尔曼滤波器对跟踪结果进行修正。跟踪开始时，在初始帧视频图像中根据由视频序列预先给定的标签中的目标位置和大小，计算滤波器的初始系数。后续帧中，以上一帧的目标位置为中心，将目标范围扩大2.5倍作为目标搜索区域，计算相关滤波器响应，以响应最大值所对应的位置作为初始目标结果，再将此结果作为观测值，使用卡尔曼滤波器对跟踪结果进行修正并更新相关滤波器系数，重复此过程，直到跟踪结束。本发明结合位置预测与相关滤波，可以有效地处理在快速移动，目标遮挡等因素影响下的目标跟踪效果。

技术领域

本发明属于计算机视觉技术领域，特别涉及一种目标跟踪技术。

背景技术

目标跟踪是计算机视觉技术中的一个重要的研究分支，在军事、工业、安防与无人驾驶等领域有着广泛的应用。常见的目标跟踪任务特指单目标跟踪，即在视频的初始帧中给出目标选框的初始位置和大小的前提下，在后续帧中完成对目标的精确跟踪。常见的目标跟踪方法分为生成式和判别式。相关滤波器是一种判别式的跟踪方法，通过建立目标与背景的可分性，利用目标的自相关性，建立目标和背景外观变化的判别模型从而对目标进行稳定的跟踪。

从2010年的MOSSE(最小输出平方和误差)算法的提出，相关滤波器成为目标跟踪的领域中的主流算法。MOSSE算法利用最小化误差的思想，在跟踪的过程中不断对分类器进行训练，形成一个相关滤波器的模型。通过不断输入目标图像与相关滤波器进行相关运算，得到响应值后寻找出最大响应位置的点集即为目标跟踪结果，并根据跟踪结果不断更新滤波器模型，能稳定且高效地进行长期跟踪。KCF(核相关滤波)算法在MOSSE算法的基础上引入了循环矩阵与核空间，并可通过提取目标FHoG(快速梯度直方图)特征提高跟踪精度，对相关滤波器算法的跟踪效果有了很大的提升。但KCF的缺点是在目标受到遮挡时也会实时更新目标模板，这会导致在有遮挡的情况下造成误跟或漏跟。

卡尔曼滤波常用于机器人导航于控制、传感器数据融合与雷达追踪等工程应用中，近年来也常被运用于计算机视觉任务中。卡尔曼滤波算法利用线性系统的状态方程，通过系统输入输出，在包含噪声的观测结果中预测出物体的位置与速度，从而得到一个更精确的测量值。

发明内容

为解决上述技术问题，本发明提出一种融合位置预测与相关滤波的目标跟踪方法，有效地提高了在快速移动、目标遮挡等因素影响下的目标跟踪精度。

本发明采用的技术方案为：一种融合位置预测与相关滤波的目标跟踪方法，包括：

S1、根据初始帧视频图像中由视频序列预先给定的标签中的目标位置和大小，计算核相关滤波器的初始系数；

S2、后续帧视频图像，以上一帧视频图像的目标位置为中心，将目标范围扩大2.5倍作为目标搜索区域，计算核相关滤波器响应；

S3、以响应最大值所对应的位置作为初始目标结果，将此结果作为观测值，使用卡尔曼滤波器对跟踪结果进行修正；

S4、将修正得到的预测值作为新的目标中心，并将预测值记录到运动轨迹点集，以新的目标中心选取目标范围2.5倍大小的图像区域作为新的目标样本，从而更新核相关滤波器的系数；

S5、重复步骤S2-S4，直到跟踪结束，得到目标跟踪轨迹。

步骤S1具体包括以下分步骤：

S11、根据初始帧视频图像中由视频序列预先给定的标签，得到目标选框，选取目标选框2.5倍大小的含背景图像的视频图像范围作为目标样本x；

S12、提取目标样本x的fHoG特征x_fHoG，利用循环矩阵的特性，生成训练样本C；

S13、通过高斯分布标记这些训练样本C，根据样本中心离目标的距离远近分别赋值(0,1)的数；